CN114386603B - 基于时序因果网络的火电厂发电机故障预警方法 - Google Patents
基于时序因果网络的火电厂发电机故障预警方法 Download PDFInfo
- Publication number
- CN114386603B CN114386603B CN202210037899.9A CN202210037899A CN114386603B CN 114386603 B CN114386603 B CN 114386603B CN 202210037899 A CN202210037899 A CN 202210037899A CN 114386603 B CN114386603 B CN 114386603B
- Authority
- CN
- China
- Prior art keywords
- node
- time
- hysteresis
- value
- monitoring point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001364 causal effect Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 83
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims description 10
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract 1
- 238000010998 test method Methods 0.000 abstract 1
- 230000007246 mechanism Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于时序因果网络的火电厂发电机故障预警方法，其步骤包括：1、获取发电机设备各监测点的数据集；2、在最大滞后时间段内，为每个当前时刻的监测点使用偏秩相关独立性检验的方法选择初步的滞后父节点集合；3、在滞后父节点集合中，再次使用偏秩相关独立性检验的方法，筛除集合中的假阳性父节点，确定当前时刻的节点与滞后时间的节点间的因果关系；4、直到当前时刻的节点的初步滞后父节点集合都进行了筛除后获得真正的父节点集合，即时序因果网络图，并以此训练故障预警模型可以获得更加准确的故障预警模型。本发明能获得准确性更高的故障预警模型，从而实现对故障更加精准的预警。
Description
技术领域
本发明属于数据挖掘领域，具体地说是一种基于时序因果网络的火电厂发电机故障预警方法。
背景技术
设备故障预警根据设备运行规律或观测得到的可能性前兆，在设备真正发生故障之前，及时预报设备的异常状况，采取相应的措施，从而最大程度的降低设备故障所造成的损失。随着设备系统的规模和复杂性日益增大，为保证设备运行的安全平稳，通过可靠的状态监控技术及时有效的监测和诊断异常就显得尤为迫切和重要。
现有的设备故障预警技术主要分为三大类：基于机理模型的方法、基于知识的方法和基于数据驱动的方法。
基于机理模型的方法是发展最早也最为深入的故障预警方法，它主要包括两个阶段：残差产生阶段通过设备运行机理建立精确的数学模型来估计系统输出，并将之与实际测量值比较，获得残差；残差评价阶段对残差进行分析以确定过程是否发生故障，并进一步辨识故障类型。基于知识的方法主要以相关专家的启发性经验知识为基础，定性或定量描述过程中各单元之间的连接关系、故障传播模式等，在设备出现异常征兆后通过推理、演绎等方式模拟过程专家在监测上的推理能力，从而自动完成设备故障预警和设备监测。基于数据驱动的方法通过挖掘过程数据中的内在信息建立数学模型和表达过程状态，根据模型来实施过程的有效监测。其中在监测和预警算法上，机器学习算法是在理论和实践中发展最为活跃的分支，它包括贝叶斯分类器、神经网络、支持向量机、k最近邻算法、聚类算法、主成分分析等算法。
因果发现是近些年来数据挖掘中的热门领域，将因果发现技术应用于发电机设备状态监测和故障预警是一个值得研究的课题。发电机设备在运行时不断地产生大量的监测数据，这些海量的运行监测数据是具有时间特征的，通过时序因果发现技术找到设备中各组件之间在时间上的滞后因果关联，以此进行数据建模，可以对发电机设备进行实时的健康评估，具有非常重要的现实意义。同时，这些设备组件彼此之间的关系往往很复杂且具有非线性的特点，对于这种非线性数据的研究是具有一定的挑战，若能根据这些运行数据构建一个时序因果网络，有助于发电机设备的状态监测和故障预警。而描述时间序列中的滞后因果关系的模型中的一种就是由贝叶斯网络模型演化而来的时序因果网络模型，基于该模型进行研究并实际应用于发电机设备中是有意义的。
基于机理模型的方法通过分析残差来进行故障预警的方式也更有利于专业人员的理解，但由于多数机理模型均为简化的线性系统，因此当面对非线性、自由度较高以及多变量耦合的复杂系统时，其使用效果并不理想。基于知识的方法无需精确的数学模型，但对专家知识有较强的依赖性，常用的方法主要包括专家系统、故障决策树、有向图、模糊逻辑等。基于数据驱动的方法不需要知道系统精确的机理模型，因此其通用性和自适应能力都较强。但是由于这类方法并不明确系统的内部结构和机理信息，所以对预警结果的分析和解释则相对比较困难。
目前这些方法的主要局限包括：
(1)发电机设备的故障预警采用现有基于数据驱动的方法，由于数据量较大且基于数据驱动的算法的时间复杂度都普遍较高，不能满足实际应用需求。
(2)单独的神经网络诊断方法，是直接对数据的表面分析，不能对发电机设备内部的各部件间的复杂关系进行准确的揭示，这给故障预警带来很大的不确定性。
(3)现有的非时序因果发现方法无法发现发电机系统中的时间滞后因果关联，只是对某时刻的系统状态进行因果关系分析，缺失了时间上的信息，对于发电机这一产生海量时间序列的系统，其故障预警的准确性有待提高。
发明内容
本发明为克服现有技术存在的不足之处，提出了一种基于时序因果网络的火电厂发电机故障预警方法，以期能获得更加精准的故障预警模型，从而能对故障进行更加准确的预测。
本发明为解决技术问题采用如下技术方案：
本发明一种基于时序因果网络的火电厂发电机故障预警方法的特点是应用于火电厂发电机设备系统中，并按如下步骤进行：
步骤1、获取发电机设备中n个监测点V＝{X1,X2,…,Xi,…,Xn}的运行数据集D＝{D1,D2,…,Di,…,Dn}，其中，Xi表示第i个监测点，Di表示第i个监测点Xi的运行数据；
令时序因果网络中t时刻的第i个节点为t时刻的第i个监测点令时序因果网络中t-τ时刻的第j个滞后节点为t-τ时刻的第j个监测点/>其中，τ是滞后时间，且1≤τ≤τmax；τmax为最大滞后时间，表示时序因果网络在时间维度上的长度；
定义t时刻的第i个监测点Xi t的父节点集合为并初始化/>的父节点集合/>为时序因果网络中所有监测点的滞后节点，即/>
初始化i＝0；
步骤2、定义偏秩相关假设检验水平为α；定义循环值为p，并初始化p＝0；
步骤3、将i+1赋值给i，判断i≤n是否成立，若成立，执行步骤4；否则，表示获得所有t时刻的监测点的父节点集合/>并执行步骤10；
步骤4、将p+1赋值给p，判断p≤(n×τmax)是否成立，若成立，则执行步骤5；否则，执行步骤9；
步骤5、判断是否成立，若成立，则执行步骤3；否则，执行步骤6；其中，/>表示的是/>集合中元素的个数；
步骤6、遍历选择集合中的滞后节点/>并得到条件子集表示集合/>中去除滞后节点/>的子集，且条件子集Cond1中元素个数|Cond1|＝p；
步骤7、计算t时刻的监测点和滞后节点/>在条件子集Cond1下的偏秩相关系数/>
步骤8、对偏秩相关系数进行假设检验，计算出显著性值p-value1，若p-value1大于假设检验水平α，则表示/>不是/>的父节点，并对父节点集合/>中滞后节点/>进行标记，返回步骤6执行，直到集合/>已全部遍历完毕，并转向步骤4；
步骤9、去除父节点集合中所有标记过的滞后节点，并转向步骤3；
步骤10、重置i＝0，初始化滞后节点的父节点集合/>中的每个滞后节点依次为t时刻的第i个监测点/>的父节点集合/>中每个监测点都滞后τ个时间的滞后节点；
步骤11、将i+1赋值给i，判断i≤n是否成立，若成立，执行步骤12；否则，执行步骤15；
步骤12、遍历父节点集合中的滞后节点/>并得到条件子集即为滞后节点/>和/>的父节点集合的并集去除本身的滞后节点/>
步骤13、计算滞后节点和/>在条件子集Cond2下的偏秩相关系数
步骤14、对偏秩相关系数进行假设检验，计算出显著性值p-value2，若p-value2大于假设检验水平α，则表示/>不是/>的父节点，并去除父节点集合/>中的滞后节点/>返回步骤11执行，直到集合/>已全部遍历完毕，并转向步骤15；
步骤15、根据所有监测点的滞后父节点集合获得τmax时间段内由t时刻的监测点集Xt和滞后节点集Xt-τ的时序因果网络；
步骤16、在t时刻的时序因果网络中任意选择一个监测点的运行数据，作为LSTM神经网络模型的输出；将所选择的监测点的滞后父节点集合中滞后τ个时间的监测点的运行数据，作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，得到故障预警模型；
步骤17、实时监测发电机设备中任意一个监测点的运行状态并获得相应的运行数据集，再利用所述故障预警模型，得到监测点的预测值，将所述预测值与监测点的真实值进行比较，计算残差平均值，当超过所设定的阈值，则表示相应的监测点可能发生故障，并给出预警提示。
本发明所述的火电厂发电机故障预警方法的特点也在于，所述步骤7是按如下步骤进行：
步骤7.1、定义时序因果网络中t时刻的第i个节点的运行数据为/>第j个滞后节点/>的运行数据为/>
令第i个节点的运行数据/>中第τmax个样本为选取数据的起始点；
令第j个滞后节点的运行数据/>中第τmax-τ个样本为选取数据的起始点；
定义条件子集Cond1的数据表示为其中，条件子集Cond1中各滞后节点的第τmax-τ个样本为选取数据的起始点；
步骤7.2、将运行数据分别转化为等级序值，记为di、dj、/>
步骤7.3、将等级序值di和dj分别与作线性回归，得到残差序列ri和rj后，计算残差序列ri和rj之间的皮尔逊相关系数，得到第i个节点/>与第j个滞后节点/>的偏秩相关系数/>并记作ρij。
所述步骤8是按如下步骤进行：
步骤8.1、利用式(2)对偏秩相关系数ρij的真值进行假设检验：
H0:E(ρij)＝0 H1:E(ρij)≠0 (2)
式(3)中，H0表示检验假设，E(ρij)表示偏秩相关系数ρij的均值，H1表示备选假设；
步骤8.2、利用式(3)得到统计量
式(3)中，表示第i个节点/>与第j个滞后节点/>的真实数据所计算的偏秩相关系数；/>是/>的标准差估计；
步骤8.3、利用式(4)计算显著性水平值p-value1：
式(4)中，Φ表示标准正态分布的累积分布函数。
与已有技术相比，本发明的有益效果体现在：
1、针对发电机设备各监测点数据之间的关系具有非线性的特点，本发明基于偏秩相关测试对监测节点的相关性进行研究，可以有效发现线性或非线性关系，且由于时间复杂度低可以处理高维和大样本数据，从而满足了发电机设备的现实需要。
2、本发明针对发电机设备监测点构建时序因果网络，能够对系统内部结构进行挖掘，发现因果关系的同时保留了时间维度的信息，从而能够为预警建模提供精确且无冗余的时序因果网络结构。
3、本发明针对发电机设备监测节点构建时序因果网络然后通过LSTM神经网络进行预测，根据发电机各监测节点之间时间上的存在的关系和显性决策信息，然后结合神经网络方法进行故障预警，弥补了神经网络单独使用时的不足，大大提高了故障预警的准确性。
具体实施方式
本实施例中，一种基于时序因果网络的火电厂发电机故障预警方法，是应用于火电厂发电机设备系统中，通过持续运行记录一段时间的数据，对数据进行分析，首先构建监测点的时序因果关系网络，找出监测点间的时间滞后关系，并在该方法上，使用神经网络模型来对选择的监测点进行未来趋势的预测，从而对发电机设备的运行状态进行监测和故障预警。具体来说，该发电机设备故障预警方法是按如下步骤进行：
步骤1、获取发电机设备中n个监测点V＝{X1,X2,…,Xi,…,Xn}的运行数据集D＝{D1,D2,…,Di,…,Dn}，其中，Xi表示第i个监测点，Di表示第i个监测点Xi的运行数据；
令时序因果网络中t时刻的第i个节点为t时刻的第i个监测点令时序因果网络中t-τ时刻的第j个滞后节点为t-τ时刻的第j个监测点/>其中，τ是滞后时间，且1≤τ≤τmax；τmax为最大滞后时间，表示时序因果网络在时间维度上的长度；
定义t时刻的第i个监测点Xi t的父节点集合为并初始化/>的父节点集合为时序因果网络中所有监测点的滞后节点，即/>
初始化i＝0；
步骤2、定义偏秩相关假设检验水平为α；定义循环值p，并初始化p＝0；
步骤3、将i+1赋值给i，判断i≤n是否成立，若成立，执行步骤4；否则，表示获得所有t时刻的监测点的父节点集合/>并执行步骤10；获得的父节点集合/>中，有可能包含不是第i个监测点/>真正父节点的假父节点，需要通过步骤10进一步筛选出真正的父节点集合。
步骤4、将p+1赋值给p，判断p≤(n×τmax)是否成立，若成立，执行步骤5；否则，执行步骤9；
步骤5、判断是否成立，若成立，则执行步骤3；否则，执行步骤6；其中，/>表示的是/>集合中元素的个数；
步骤6、遍历选择集合中的滞后节点/>并得到条件子集表示集合/>中去除滞后节点/>的子集，且条件子集Cond1中元素个数|Cond1|＝p；
步骤7、计算t时刻的监测点和滞后节点/>在条件子集Cond1下的偏秩相关系数/>
步骤7.1、定义时序因果网络中t时刻的第i个节点的运行数据为/>第j个滞后节点/>的运行数据为/>
令第i个节点的运行数据/>中第τmax个样本为选取数据的起始点；
令第j个滞后节点的运行数据/>中第τmax-τ个样本为选取数据的起始点；
定义条件子集Cond1的数据表示为其中，条件子集Cond1中各滞后节点的第τmax-τ个样本为选取数据的起始点；
步骤7.2、将运行数据分别转化为等级序值，记为di、dj、等级序值是运行数据中的各个样本在当前运行数据中的排序值；
步骤7.3、将等级序值di和dj分别与作线性回归，得到残差序列ri和rj后，计算残差序列ri和rj之间的皮尔逊相关系数，得到第i个节点/>与第j个滞后节点/>的偏秩相关系数/>并记作ρij；
步骤8、对偏秩相关系数进行假设检验，计算出显著性值p-value1，若p-value1大于假设检验水平α，则表示/>不是/>的父节点，并对父节点集合中滞后节点/>进行标记，返回步骤6执行，直到集合/>已全部遍历完毕，并转向步骤4；
步骤8.1、利用式(2)对偏秩相关系数ρij的真值进行假设检验：
H0:E(ρij)＝0 H1:E(ρij)≠0 (2)
式(3)中，H0表示检验假设，E(ρij)表示偏秩相关系数ρij的均值，H1表示备选假设；
步骤8.2、利用式(3)得到统计量
式(3)中，表示第i个节点/>与第j个滞后节点/>的真实数据所计算的偏秩相关系数；ρij＝0，/>是/>的标准差估计；统计量/>近似服从自由度m-n的学生t分布，其中m是样本数，n是变量数。
步骤8.3、利用式(4)计算显著性水平值p-value1：
式(4)中，Φ表示标准正态分布的累积分布函数。
步骤9、去除父节点集合中所有标记过的滞后节点，并转向步骤3；
步骤10、重置i＝0，初始化滞后节点的父节点集合/>中的每个滞后节点依次为t时刻的第i个监测点/>的父节点集合/>中每个监测点都滞后τ个时间的滞后节点；
步骤11、将i+1赋值给i，判断i≤n是否成立，若成立，执行步骤12；否则，执行步骤15；
步骤12、遍历父节点集合中的滞后节点/>并得到条件子集即为滞后节点/>和/>的父节点集合的并集去除本身的滞后节点/>
步骤13、计算滞后节点和/>在条件子集Cond2下的偏秩相关系数
步骤14、对偏秩相关系数进行假设检验，计算出显著性值p-value2，若p-value2大于假设检验水平α，则表示/>不是/>的父节点，并去除父节点集合中的滞后节点/>返回步骤11执行，直到集合/>已全部遍历完毕，并转向步骤15；
步骤15、根据所有监测点的滞后父节点集合获得τmax时间段内由t时刻的监测点集Xt和滞后节点集Xt-τ的时序因果网络；
步骤16、在t时刻的时序因果网络中任意选择一个监测点的运行数据，作为LSTM神经网络模型的输出；将所选择的监测点的滞后父节点集合中滞后τ个时间的监测点的运行数据，作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，得到故障预警模型；
步骤17、实时监测发电机设备中任意一个监测点的运行状态并获得相应的运行数据集，再利用故障预警模型，得到监测点的预测值，将预测值与监测点的真实值进行比较，计算残差平均值，当超过所设定的阈值，则表示相应的监测点可能发生故障，并给出预警提示。
Claims (3)
1.一种基于时序因果网络的火电厂发电机故障预警方法，其特征是应用于火电厂发电机设备系统中，并按如下步骤进行：
步骤1、获取发电机设备中n个监测点V＝{X1,X2,…,Xi,…,Xn}的运行数据集D＝{D1,D2,…,Di,…,Dn}，其中，Xi表示第i个监测点，Di表示第i个监测点Xi的运行数据；
令时序因果网络中t时刻的第i个节点为t时刻的第i个监测点令时序因果网络中t-τ时刻的第j个滞后节点为t-τ时刻的第j个监测点/>其中，τ是滞后时间，且1≤τ≤τmax；τmax为最大滞后时间，表示时序因果网络在时间维度上的长度；
定义t时刻的第i个监测点的父节点集合为/>并初始化/>的父节点集合/>为时序因果网络中所有监测点的滞后节点，即/>
初始化i＝0；
步骤2、定义偏秩相关假设检验水平为α；定义循环值为p，并初始化p＝0；
步骤3、将i+1赋值给i，判断i≤n是否成立，若成立，执行步骤4；否则，表示获得所有t时刻的监测点的父节点集合/>并执行步骤10；
步骤4、将p+1赋值给p，判断p≤(n×τmax)是否成立，若成立，则执行步骤5；否则，执行步骤9；
步骤5、判断是否成立，若成立，则执行步骤3；否则，执行步骤6；其中，表示的是/>集合中元素的个数；
步骤6、遍历选择集合中的滞后节点/>并得到条件子集/> 表示集合/>中去除滞后节点/>的子集，且条件子集Cond1中元素个数|Cond1|＝p；
步骤7、计算t时刻的监测点和滞后节点/>在条件子集Cond1下的偏秩相关系数
步骤8、对偏秩相关系数进行假设检验，计算出显著性值p-value1，若p-value1大于假设检验水平α，则表示/>不是/>的父节点，并对父节点集合/>中滞后节点/>进行标记，返回步骤6执行，直到集合/>已全部遍历完毕，并转向步骤4；
步骤9、去除父节点集合中所有标记过的滞后节点，并转向步骤3；
步骤10、重置i＝0，初始化滞后节点的父节点集合/>中的每个滞后节点依次为t时刻的第i个监测点/>的父节点集合/>中每个监测点都滞后τ个时间的滞后节点；
步骤11、将i+1赋值给i，判断i≤n是否成立，若成立，执行步骤12；否则，执行步骤15；
步骤12、遍历父节点集合中的滞后节点/>并得到条件子集即为滞后节点/>和/>的父节点集合的并集去除本身的滞后节点/>
步骤13、计算滞后节点和/>在条件子集Cond2下的偏秩相关系数/>
步骤14、对偏秩相关系数进行假设检验，计算出显著性值p-value2，若p-value2大于假设检验水平α，则表示/>不是/>的父节点，并去除父节点集合/>中的滞后节点/>返回步骤11执行，直到集合/>已全部遍历完毕，并转向步骤15；
步骤15、根据所有监测点的滞后父节点集合获得τmax时间段内由t时刻的监测点集Xt和滞后节点集Xt-τ的时序因果网络；
步骤16、在t时刻的时序因果网络中任意选择一个监测点的运行数据，作为LSTM神经网络模型的输出；将所选择的监测点的滞后父节点集合中滞后τ个时间的监测点的运行数据，作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，得到故障预警模型；
步骤17、实时监测发电机设备中任意一个监测点的运行状态并获得相应的运行数据集，再利用所述故障预警模型，得到监测点的预测值，将所述预测值与监测点的真实值进行比较，计算残差平均值，当超过所设定的阈值，则表示相应的监测点可能发生故障，并给出预警提示。
2.根据权利要求1所述的火电厂发电机故障预警方法，其特征是，所述步骤7是按如下步骤进行：
步骤7.1、定义时序因果网络中t时刻的第i个节点的运行数据为/>第j个滞后节点/>的运行数据为/>
令第i个节点的运行数据/>中第τmax个样本为选取数据的起始点；
令第j个滞后节点的运行数据/>中第τmax-τ个样本为选取数据的起始点；
定义条件子集Cond1的数据表示为其中，条件子集Cond1中各滞后节点的第τmax-τ个样本为选取数据的起始点；
步骤7.2、将运行数据分别转化为等级序值，记为di、dj、/>
步骤7.3、将等级序值di和dj分别与作线性回归，得到残差序列ri和rj后，计算残差序列ri和rj之间的皮尔逊相关系数，得到第i个节点/>与第j个滞后节点/>的偏秩相关系数/>并记作ρij。
3.根据权利要求2所述的火电厂发电机故障预警方法，其特征是，所述步骤8是按如下步骤进行：
步骤8.1、利用式(2)对偏秩相关系数ρij的真值进行假设检验：
H0:E(ρij)＝0 H1:E(ρij)≠0 (2)
式(3)中，H0表示检验假设，E(ρij)表示偏秩相关系数ρij的均值，H1表示备选假设；
步骤8.2、利用式(3)得到统计量
式(3)中，表示第i个节点/>与第j个滞后节点/>的真实数据所计算的偏秩相关系数；ρij＝0，/>是/>的标准差估计；
步骤8.3、利用式(4)计算显著性水平值p-value1：
式(4)中，Φ表示标准正态分布的累积分布函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210037899.9A CN114386603B (zh) | 2022-01-13 | 2022-01-13 | 基于时序因果网络的火电厂发电机故障预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210037899.9A CN114386603B (zh) | 2022-01-13 | 2022-01-13 | 基于时序因果网络的火电厂发电机故障预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114386603A CN114386603A (zh) | 2022-04-22 |
| CN114386603B true CN114386603B (zh) | 2024-02-20 |
Family
ID=81201347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210037899.9A Active CN114386603B (zh) | 2022-01-13 | 2022-01-13 | 基于时序因果网络的火电厂发电机故障预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114386603B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6892163B1 (en) * | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN111667102A (zh) * | 2020-05-22 | 2020-09-15 | 中国南方电网有限责任公司 | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 |
| CN113484749A (zh) * | 2021-06-15 | 2021-10-08 | 国网山东省电力公司嘉祥县供电公司 | 发电机故障诊断及预测方法 |
-
2022
- 2022-01-13 CN CN202210037899.9A patent/CN114386603B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6892163B1 (en) * | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN111667102A (zh) * | 2020-05-22 | 2020-09-15 | 中国南方电网有限责任公司 | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 |
| CN113484749A (zh) * | 2021-06-15 | 2021-10-08 | 国网山东省电力公司嘉祥县供电公司 | 发电机故障诊断及预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基因调控网络的父节点筛选贝叶斯建模方法;曲璐渲;郭上慧;王之琼;信俊昌;;东北大学学报(自然科学版);20200215(第02期);全文 * |
| 风力发电机状态预测与故障诊断的研究;吴建军;杨俊华;杨梦丽;曾君;杨金明;;华东电力;20131224(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114386603A (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiao et al. | Degradation assessment of bearings with trend-reconstruct-based features selection and gated recurrent unit network | |
| Kim et al. | A generic health index approach for multisensor degradation modeling and sensor selection | |
| CN111191897A (zh) | 基于双向gru神经网络的业务流程在线合规性预测方法及系统 | |
| CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
| CN109739214B (zh) | 工业过程间歇故障的检测方法 | |
| Liu et al. | Fault detection and diagnosis using Bayesian network model combining mechanism correlation analysis and process data: Application to unmonitored root cause variables type faults | |
| CN109917777B (zh) | 基于混合多采样率概率主成分分析模型的故障检测方法 | |
| CN110766173A (zh) | 基于机理相关分析贝叶斯网络的化工过程故障诊断方法 | |
| Chen et al. | Complex system monitoring based on distributed least squares method | |
| Zhao et al. | Probabilistic remaining useful life prediction based on deep convolutional neural network | |
| Zhang et al. | Remaining useful life prediction of rolling bearings using electrostatic monitoring based on two-stage information fusion stochastic filtering | |
| CN112799898A (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
| Tian et al. | Spatial correlation and temporal attention-based LSTM for remaining useful life prediction of turbofan engine | |
| CN112906764A (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
| CN116595319A (zh) | 应用于轨道交通电机健康状态评估的预测方法及系统 | |
| Lou et al. | Enhanced fault diagnosis method using conditional gaussian network for dynamic processes | |
| CN114091600B (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
| CN110727553A (zh) | 处理器系统故障的预测与诊断方法和装置 | |
| Liao et al. | Nonparametric and semi-parametric sensor recovery in multichannel condition monitoring systems | |
| Xu et al. | Anomaly detection with gru based bi-autoencoder for industrial multimode process | |
| CN111931420B (zh) | 基于核再生希尔伯特空间的燃气轮机故障预测方法 | |
| CN114386603B (zh) | 基于时序因果网络的火电厂发电机故障预警方法 | |
| CN114154266B (zh) | 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法 | |
| CN114779739A (zh) | 基于概率图模型的云边端协同下工业过程的故障监测方法 | |
| CN114462636A (zh) | 一种工业时序数据通过数据处理进行在线异常监测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |